Exklusivitäts-Konsistenz reguliertes Multi-View Subraum-Clustering

Das Multi-View Subraum-Clustering zielt darauf ab, eine Menge von Multi-Source-Daten in ihre zugrunde liegenden Gruppen zu partitionieren. Um die Leistung des Multi-View-Clustering zu steigern, wurden in den letzten Jahren zahlreiche Algorithmen für das Subraumlernen entwickelt, wobei jedoch die Nutzen der komplementären Repräsentationen zwischen verschiedenen Ansichten sowie die Konsistenz der Indikatoren unter den Repräsentationen selten genutzt wurden, ganz zu schweigen von der gleichzeitigen Berücksichtigung dieser Aspekte. In diesem Papier schlagen wir ein neuartiges Modell für das Multi-View Subraum-Clustering vor, das versucht, die komplementären Informationen zwischen verschiedenen Repräsentationen zu nutzen, indem es einen neuartigen positionsbewussten Exklusivitätsbegriff einführt. Gleichzeitig wird ein Konsistenzbegriff verwendet, um diese komplementären Repräsentationen zu einer gemeinsamen Kennzahl zu bringen. Wir formulieren die oben genannten Anliegen in einem einheitlichen Optimierungsrahmen. Experimentelle Ergebnisse auf mehreren Benchmark-Datensätzen werden durchgeführt, um die Effektivität unseres Algorithmus im Vergleich zu anderen aktuellen Ansätzen zu zeigen.